BioBasicsBench：100 道读数题，最高约三分之二
OpenAI 和 Ligo 做了 100 道日常湿实验读数题，用的是原始图和仪器导出，不是论文里挑过的干净图。每题按专家写的评分点给部分分。官方称，在想得更久的设置下，GPT-6 Astra 平均拿到 66.7% 的分数，GPT-5.6 Sol 是 43.8%。页面同时写明，更强的模型仍会用习惯性假设盖过对照，也会数错。
OpenAI原始发布
为什么值得留
读实验图时，分数变高也不等于可以跳过对照和人工复核。
可以从这里开始
把实验图交给模型前，先写一句这张图不能说明什么，再看它有没有越界下结论。
阅读时留意
分数是 OpenAI 自测，题来自合作实验室，不代表你的仪器和样本。原始文件是否都能复跑，页面没有写清。
OnBalls 导读整理于 2026.11.07。打开了 OpenAI 研究页，读了基准说明和结果；未下载题目，未亲测模型。